论文部分内容阅读
癫痫(Epilepsy)是一种常见的脑功能障碍性疾病,其基本病理学表现为大量神经元集群异常同步化放电,而头皮脑电和皮层脑电是脑神经电活动的反映,是研究癫痫发作的主要手段。基于脑电信号的癫痫发作自动检测可以实现脑电分类和病灶定位,并能够提高检测效率,对癫痫的临床治疗具有重要意义。针对累积能量特征不稳定的问题,本文结合时频分析方法和能量特征定义了时频能量特征,并针对大数据量、高特征值空间的快速和准确分类问题,提出一种基于最大相关最小冗余准则和带参数的极限学习机的癫痫发作自动检测方法。首先,对皮层脑电和头皮脑电分别使用短时傅里叶变换和希尔伯特变换,提取时频分布的能量块,并结合空间信息,得到时频能量特征集。然后,利用序列前向选择搜索策略生成不同大小的特征子集,其中的评价准则采用基于最大相关最小冗余的信息准则,以特征子集作为评价单位,使用基于分类准确率的特征选择方法选择最优特征子集。最后,使用基于粒子群算法的支持向量机、基于粒子群算法的BP神经网络和带参数的极限学习机对癫痫不同状态进行分类和判别。实验结果:1)在皮层脑电中,使用短时傅里叶变换提取的时频能量特征的分类准确率为0.97,优于使用经验模态分解提取的时频能量特征。2)使用基于粒子群算法的支持向量机、基于粒子群算法的BP神经网络和带参数的极限学习机三种分类器进行10折交叉验证,头皮脑电的分类准确率为0.85左右,皮层脑电中包含发作期和亚临床发作期的分类组的分类准确率为0.82左右,而发作间期和发作期的分类准确率达到0.97以上。3)在皮层脑电的发作间期和发作期分类组,基于粒子群算法的支持向量机的分类准确率为0.98,训练时间为28.1s;基于粒子群算法的BP神经网络的分类准确率最高可达0.99,但是随特征子集大小变化而有明显的起伏,分类器性能不稳定;带参数的极限学习机的分类准确率为0.97,但训练时间仅为0.8s。带参数的极限学习机的分类准确率和训练速度两方面的综合性能优于基于粒子群算法的支持向量机和基于粒子群算法的BP神经网络。4)利用带参数的极限学习机对72小时的皮层脑电中数据进行连续检测,误检率为1次/24小时,平均发作开始时刻检测延迟为0.1s。结果表明,在皮层脑电的发作期和发作间期分类中,基于短时傅里叶变换的时频能量特征集是有效的。基于最大相关最小冗余准则的序列前向选择方法和带参数的极限学习机的方法能够实时准确地检测癫痫发作。